深度 LiDAR 里程计的高效主动训练
机器人学
2025-09-04 v1 计算机视觉与模式识别
摘要
鲁棒且高效的深度 LiDAR 里程计模型对于精确定位和三维重建至关重要，但通常需要大量且多样化的训练数据来适应各种环境，导致效率低下。为了解决这一问题，我们提出了一种主动训练框架，旨在从多样化环境中选择性提取训练数据，从而减少训练负载并增强模型泛化能力。我们的框架基于两种关键策略：初始训练集选择（ITSS）和主动增量选择（AIS）。ITSS 首先将来自一般天气的运动序列分解为节点和边进行详细的轨迹分析，优先选择多样化的序列以形成丰富的初始训练数据集用于训练基础模型。对于难以分析的复杂序列，尤其是在具有挑战性的降雪天气条件下，AIS 利用场景重建和预测不一致性迭代选择训练样本，使模型能够处理广泛的真实场景。在数据集和天气条件下的实验验证了我们方法的有效性。值得注意的是，我们的方法仅使用 52% 的序列体积便达到了全数据集训练的性能，证明了我们的主动训练范式的训练效率和鲁棒性。通过优化训练过程，我们的方法为更敏捷、更可靠的 LiDAR 里程计系统奠定了基础，使其能够在各种环境条件下以更高的精度进行导航。
引用
@article{arxiv.2509.03211,
title = {Efficient Active Training for Deep LiDAR Odometry},
author = {Beibei Zhou and Zhiyuan Zhang and Zhenbo Song and Jianhui Guo and Hui Kong},
journal= {arXiv preprint arXiv:2509.03211},
year = {2025}
}